Sliding benchmarks might prevent de-selection of talented badminton players
Notice bibliographique
Résumé
Despite potential advantages of talent identification practices, the degree of bias in decision-making due to relative age and maturity timing remains a concern. To investigate the impact of relative age and maturity on selection processes, and to examine the possible influence of an intervention aimed at minimizing the impact of relative age and maturity biases, thirty-three boys (Mage = 12.43y ± 0.36y) invited to compete for Badminton Malaysia, completed three anthropometrical measures, eight physical performance assessments, and five motor coordination tests. These players were tracked throughout their career to determine pathway progression (i.e., dropout or continuation) and their level of success (i.e., season-end rankings). With regards to the relative age of athletes and the initial selection to the U13 team, findings revealed that younger and less mature players were disadvantaged, since their morphology, physical fitness, and motor capacities were less developed than their peers. A sliding benchmark intervention was applied, where raw scores were adjusted. Although, the dropout rate from the U13 team was high (24/33 players, 73%), 6 of 9 remaining players of the national team achieved exceptional results, which were evident six years later. As a result of the sliding benchmark intervention, two relatively younger, late maturers with superior motor competence scores, were selected to the elite sport school. Without this intervention, both players might never have won the U21 World Championships. This paper examines the pathway of these competitive badminton athletes and discusses the potential value of applying a sliding benchmark intervention in competitive sport selection settings.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».